Resumo:
Neste trabalho apresentamos solucões para o problema de
calibracão controlada sob a perspectiva bayesiana da inferência
estatística. Em primeiro lugar, tratamos do problema sob a suposicão de
linearidade e de que os erros são distribuídos de acordo com uma
distribuicão elíptica. Para o modelo elíptico dependente mostramos que
a distribuicão a posteriori de interesse coincide com a
distribuicão a posteriori obtida sob a suposicão de normalidade,
quando considerada uma distribuicão a priori imprópria para
o parâmetro de dispersão. Uma análise conjugada também é apresentada.
Entretanto, não obtemos essa coincidência de resultados para o
modelo independente. Neste caso, a distribuicão a posteriori deverá
depender do particular modelo elíptico especificado. Considerando
algumas especificacões a priori e a representabilidade do modelo
elíptico, obtivemos formas gerais para estas distribuicões a posteriori
, caracterizando-as como mistura de distribuicões conhecidas. Além
disso, foram obtidas formas conhecidas para todas as distribuicões
a posteriori de um parâmetro, condicionais aos demais,
possibilitando a implementacão do amostrador de Gibbs. Posteriormente,
tratamos do problema de calibracão considerando que a variável
resposta é categorizada. Apresentamos uma generalizacão do conhecido
modelo probit, onde a funcão de ligacão é uma distribuicão
elíptica. Nesse caso, obtivemos uma aproximacão assintótica para a
distribuicão a posteriori, bem como uma solucão via método MCCM
(Monte Carlo baseado em Cadeias de Markov), para o modelo binomial.
Para o modelo multinomial, propomos a solucão via MCCM e apresentamos
formas conhecidas para todas as distribuicões condicionais.
Last modified: Thu Jan 22 14:46:23 EDT 1998